CN110133511A - 一种基于长短时记忆网络的锂电池组剩余电量实时预测方法 - Google Patents

一种基于长短时记忆网络的锂电池组剩余电量实时预测方法 Download PDF

Info

Publication number
CN110133511A
CN110133511A CN201910502858.0A CN201910502858A CN110133511A CN 110133511 A CN110133511 A CN 110133511A CN 201910502858 A CN201910502858 A CN 201910502858A CN 110133511 A CN110133511 A CN 110133511A
Authority
CN
China
Prior art keywords
term
short
data
input
output
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201910502858.0A
Other languages
English (en)
Inventor
邹金续
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Individual
Original Assignee
Individual
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Individual filed Critical Individual
Priority to CN201910502858.0A priority Critical patent/CN110133511A/zh
Publication of CN110133511A publication Critical patent/CN110133511A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/385—Arrangements for measuring battery or accumulator variables
    • G01R31/387—Determining ampere-hour charge capacity or SoC
    • G01R31/388—Determining ampere-hour charge capacity or SoC involving voltage measurements
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Secondary Cells (AREA)

Abstract

本发明提供一种基于长短时记忆网络的锂电池组剩余电量实时预测方法，将锂电池包中t‑2、t‑1、t时刻每个电池单体的电流、单体电压以及温度组成类似于RGB图片形式作为输入，t‑1、t、t+1时刻的每个电池对应SOC作为预测结果；本发明的技术方案具有时间序列相关性，遗忘无用的每个电池单体历史数据，在实时预测中选择有用的历史数据以及当前数据作为输入；不需要考虑电池内部结构的情况下，对于外部激励，输入与输出之间的关系可以通过对大量的输入输出样本进行训练得到，因此可以很好拟合锂电池包的动态特性，非常适合实际中动力电池汽车需应对的动态工况。

Description

一种基于长短时记忆网络的锂电池组剩余电量实时预测方法
技术领域
本发明涉及电动汽车电池技术领域，具体而言，尤其涉及一种基于长短时记忆网络的锂电池组剩余电量实时预测方法。
背景技术
当今世界的能源危机和大气污染问题日益严重，机动车的污染物排放与能源消耗量都非常大。如今，电动汽车日益发展，其优势在于零排放，低噪音，高效率，发展电动汽车将成为治理大气污染、解决能源危机的重要途径之一。
电动汽车电池荷电状态(SOC)预估是电动汽车管理***的关键技术。对SOC值精确预估的意义在于避免过充或过放对动力电池造成损害，为整车控制策略提供依据，以合理利用动力电池提供的电能，并有效控制及预测电动车续驶里程，最终达到节能、环保、延长电池组使用寿命等目的。
目前国内外用于电动汽车SOC估计的方法主要有安时积分法、开路电压法、线性模型法、神经网络法和卡尔曼滤波法等。但绝大多数研究都是以单体电池作为分析对象，因此与实际电动汽车电池包的SOC估计存在差距，更不利于之后对电池包整体均衡的分析研究。因此，从电动汽车电池包的角度考虑每个电池单体SOC估计，是当今及以后动力电池行业的重要研究课题。
发明内容
根据上述提出的技术问题，而提供一种基于长短时记忆网络的锂电池组剩余电量实时预测方法。本发明将锂电池包中t-2、t-1、t时刻每个电池单体的电流、单体电压以及温度组成类似于RGB图片形式作为输入，t-1、t、t+1时刻的每个电池对应SOC作为预测结果。具有时间序列相关性，遗忘无用的每个电池单体历史数据，在实时预测中选择有用的历史数据以及当前数据作为输入，应用一个长短时记忆网络，实时预测锂电池组SOC数值。
本发明采用的技术手段如下：
一种基于长短时记忆网络的锂电池组剩余电量实时预测方法，包括如下步骤：
步骤S1：采集电动汽车锂电池包中每个电池单体的历史充放电数据以及对应的SOC数据，形成数据集；
步骤S2：建立长短时记忆网络，根据上述步骤S1中采集到的数据，确定神经网络的输入数据与输出数据，并确定最优时间步、训练批次，初始化输入层、输出层权重、偏置，初始化长短时记忆网络；
步骤S3：对步骤S1中采集的数据进行归一化处理；
步骤S4：根据归一化处理的数据，对建立的长短时记忆网络进行训练；
步骤S5：将锂电池包中t-2、t-1、t时刻每个电池单体的电流、单体电压以及温度作为三个图层，组成RGB图片形式作为输入，采用训练后的长短时记忆网络进行联合预测，获得t-1、t、t+1时刻的预测结果。
进一步地，所述步骤S2初始化长短时记忆网络的具体过程如下：
步骤S21：根据步骤S1中采集到的数据，将锂电池包中t-2、t-1、t时刻每个电池单体的电流、单体电压以及温度组成RGB图片形式，并将其作为输入数据；
步骤S22：将数据集中t-1、t、t+1时刻的每个电池对应的SOC值数据作为长短时记忆网络的输出数据；
步骤S23：对长短时记忆网络进行初始化，根据输入、输出矩阵确定最优的时间步；
步骤S24：根据输入、输出矩阵确定最优的训练批次；
步骤S25：初始化输入层、输出层权重、偏置。
进一步地，所述步骤S3中的归一化处理，具体公式如下：
上式中，表示归一化处理后的数据，xi表示实际输入的历史充放电数据或者SOC数据，为自然数，i表示序号，xmax表示所在数据序列中的最大值，xmin表示所在数据序列中的最小值。
进一步地，所述步骤S4中对建立的长短时记忆网络进行训练的过程如下：
步骤S41：建立长短时记忆网络的输入层；锂电池包中每个电池单体的U(1,1)...U(i,j)、I(1,1)...I(i,j)、T(1,1)...T(i,j)构成三层节点矩阵，将t-2、t-1、t时刻的节点矩阵全部表示为输入层的节点；
步骤S42、得到t-1时刻细胞值状态；输入t-2时刻的矩阵xt-2，通过隐藏层C，网络输出t-1时刻细胞值状态与t-1时刻输出值ht-1；
步骤S43、遗忘门决定丢弃信息；读取ht-1和xt-1，输出一个在0到1之间的数值给每个在细胞状态Ct-1中的数字；1表示“完全保留”，0表示“完全舍弃”；其中ht-1表示上一个细胞的输出，xt-1表示当前细胞的输入；
步骤S44、输入门确定更新的信息，用于控制加入到细胞状态的新的信息数量；主要包括sigmod层和tanh层，sigmod层用于更新it-1；tanh层用来生成新的候选信息向量且更新到细胞状态中；
其计算公式表示如下：
it＝σ(Wi·[ht-1,xt-1]+bi)
式中，δ代表sigmod激活函数，tanh代表tanh激活函数，it表示细胞状态更新的程度，Wi与WC代表网络权重，bi与bC代表网络偏置，W与b都需要通过训练得到。
步骤S45、更新细胞状态，将Ct-1更新为Ct，得到新的候选值，根据决定更新每个状态的程度进行变化；其计算公式表示如下：
式中ft表示细胞状态丢弃的程度。
步骤S46、输出门确定细胞状态的输出信息；
首先运用一个sigmod层来确定细胞状态的哪个部分将输出出去。其计算公式表示如下：
ot＝σ(Wo[ht-1,xt-1]+bo)
式中ot表示细胞状态输出的部分，Wo与bo表示网络权重与偏置。
接着把细胞状态通过tanh进行处理，得到一个在-1与1之间的值，并将它和sigmod门的输出相乘，最终会输出确定输出的那一部分：
ht＝ot*tanh(Ct)
式中ht表示t时刻的输出值。
步骤S47、更新训练轮数；判断训练轮数是否达到设定数值，如果没有达到，则进人下一轮训练，继续修改神经网络权重，直到完成训练轮数；
步骤S48、将t-1、t、t+1时刻锂电池包中每个电池单体对应的SOC数值作为输出层的节点。
较现有技术相比，本发明的有益效果：
1、本发明提供的方法，将锂电池包中t-2、t-1、t时刻每个电池单体的电流、单体电压以及温度组成类似于RGB图片形式作为输入，t-1、t、t+1时刻的每个电池对应SOC作为预测结果。具有时间序列相关性，遗忘无用的每个电池单体历史数据，在实时预测中选择有用的历史数据以及当前数据作为输入，应用一个长短时记忆网络，实时预测锂电池组SOC数值。
2、本发明提供的方法，采用的长短时记忆网络算法具有较强的非线性拟合能力，可以很好拟合锂电池包的动态特性，非常适合实际中动力电池汽车需应对的动态工况。
基于上述理由本发明可在电动汽车电池等领域广泛推广。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做以简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的预测方法总体流程图；
图2为本发明的初始化长短时记忆网络的具体流程图；
图3为本发明的根据归一化处理后的数据对建立的长短时记忆网络进行训练的结构示意图；
图4为本发明的根据归一化处理后的数据对建立的长短时记忆网络进行训练的具体流程图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例
本发明提供了一种基于长短时记忆网络的锂电池组剩余电量实时预测方法，将锂电池包中t-2、t-1、t时刻每个电池单体的电流，单体电压以及温度作为三个图层，组成类似于RGB图片形式输入，time_step设置为3，将t-1、t、t+1时刻对应的每个电池单体的SOC数值作为输出。
如图1所示，本发明提供了一种基于长短时记忆网络的锂电池组剩余电量实时预测方法，包括如下步骤：
步骤S1：采集电动汽车锂电池包中每个电池单体的历史充放电数据以及对应的SOC数据，形成数据集；
步骤S2：建立长短时记忆网络，根据上述步骤S1中采集到的数据，确定神经网络的输入数据与输出数据，并确定最优时间步、训练批次，初始化输入层、输出层权重、偏置，初始化长短时记忆网络；
如图2所示，步骤S2初始化长短时记忆网络的具体过程如下：
步骤S21：根据步骤S1中采集到的数据，将锂电池包中t-2、t-1、t时刻每个电池单体的电流、单体电压以及温度组成RGB图片形式，并将其作为输入数据；
步骤S22：将数据集中t-1、t、t+1时刻的每个电池对应的SOC值数据作为长短时记忆网络的输出数据；
步骤S23：对长短时记忆网络进行初始化，根据输入、输出矩阵确定最优的时间步；
步骤S24：根据输入、输出矩阵确定最优的训练批次；
步骤S25：初始化输入层、输出层权重、偏置。
步骤S3：对步骤S1中采集的数据进行归一化处理；
步骤S3中的归一化处理，具体公式如下：
上式中，表示归一化处理后的数据，xi表示实际输入的历史充放电数据或者SOC数据，为自然数，i表示序号，xmax表示所在数据序列中的最大值，xmin表示所在数据序列中的最小值。
步骤S4：根据归一化处理的数据，对建立的长短时记忆网络进行训练；
如图3所示，步骤S4中对建立的长短时记忆网络进行训练的过程如下：
步骤S41：建立长短时记忆网络的输入层；锂电池包中每个电池单体的U(1,1)...U(i,j)、I(1,1)...I(i,j)、T(1,1)...T(i,j)构成三层节点矩阵，将t-2、t-1、t时刻的节点矩阵全部表示为输入层的节点；
步骤S42、得到t-1时刻细胞值状态；输入t-2时刻的矩阵xt-2，通过隐藏层C，网络输出t-1时刻细胞值状态与t-1时刻输出值ht-1；
步骤S43、遗忘门决定丢弃信息；读取ht-1和xt-1，输出一个在0到1之间的数值给每个在细胞状态Ct-1中的数字；1表示“完全保留”，0表示“完全舍弃”；其中ht-1表示上一个细胞的输出，xt-1表示当前细胞的输入；
步骤S44、输入门确定更新的信息，此步骤决定让多少新的信息加入到细胞状态中来，用于控制加入到细胞状态的新的信息数量；主要包括sigmod层和tanh层两方面的内容：
sigmod层决定什么数值时，it-1需要被更新it-1；
tanh层用来生成新的候选信息向量且会被更新到细胞状态中；
其计算公式表示如下：
it＝σ(Wi·[ht-1,xt-1]+bi)
式中，δ代表sigmod激活函数，tanh代表tanh激活函数，it表示细胞状态更新的程度，Wi与WC代表网络权重，bi与bC代表网络偏置，W与b都需要通过训练得到。
步骤S45、更新细胞状态，将Ct-1更新为Ct，把旧状态Ct-1与ft乘，丢弃掉确定需要丢弃的信息；接着加上得到新的候选值，根据决定更新每个状态的程度进行变化；其计算公式表示如下：
式中ft表示细胞状态丢弃的程度。
步骤S46、输出门确定细胞状态的输出信息；首先需要一个sigmod函数，用来确定上一隐层和新输入信息有多少需要被保留，将更新后的细胞状态经过tanh变到[-1,1]的区间后再进行相乘，确定最终的输出信息；其计算公式表示如下：
ot＝σ(Wo[ht-1,xt-1]+bo)
ht＝ot*tanh(Ct)
式中ot表示细胞状态输出的部分，Wo与bo表示网络权重与偏置，ht表示t时刻的输出值。
步骤S47、更新训练轮数；判断训练轮数是否达到设定数值，如果没有达到，则进人下一轮训练，继续修改神经网络权重，直到完成训练轮数；
步骤S48、将t-1、t、t+1时刻锂电池包中每个电池单体对应的SOC数值作为输出层的节点。
如图4所示，步骤S4的结构特征可以直观的展现长短时记忆网络训练的具体流程；输入层是由t-2、t-1、t时刻每个电池单体的电压、电流和温度组成的三层矩阵，类似于输入层是RGB色彩模式的图片；通过中间隐藏层的不断提取特征，长短时记忆网络可以不断学习，再通过反向传播，不断修改神经网络中的权重，最终得到该输入下对应的最优输出，即与真实SOC数值误差最小的预测SOC数值；
步骤S5：将锂电池包中t-2、t-1、t时刻每个电池单体的电流、单体电压以及温度作为三个图层，组成RGB图片形式作为输入，采用训练后的长短时记忆网络进行联合预测，获得t-1、t、t+1时刻的预测结果。
本发明将锂电池包中t-2、t-1、t时刻每个电池单体的电流、单体电压以及温度组成类似于RGB图片形式作为输入，t-1、t、t+1时刻的每个电池对应SOC作为预测结果。具有时间序列相关性，遗忘无用的每个电池单体历史数据，在实时预测中选择有用的历史数据以及当前数据作为输入。不需要考虑电池内部结构的情况下，对于外部激励，输入与输出之间的关系可以通过对大量的输入输出样本进行训练得到，因此可以很好拟合锂电池包的动态特性，非常适合实际中动力电池汽车需应对的动态工况。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (4)

1.一种基于长短时记忆网络的锂电池组剩余电量实时预测方法，其特征在于，包括如下步骤：
步骤S1：采集电动汽车锂电池包中每个电池单体的历史充放电数据以及对应的SOC数据，形成数据集；
步骤S2：建立长短时记忆网络，根据上述步骤S1中采集到的数据，确定神经网络的输入数据与输出数据，并确定最优时间步、训练批次，初始化输入层、输出层权重、偏置，初始化长短时记忆网络；
步骤S3：对步骤S1中采集的数据进行归一化处理；
步骤S4：根据归一化处理的数据，对建立的长短时记忆网络进行训练；
步骤S5：将锂电池包中t-2、t-1、t时刻每个电池单体的电流、单体电压以及温度作为三个图层，组成RGB图片形式作为输入，采用训练后的长短时记忆网络进行联合预测，获得t-1、t、t+1时刻的预测结果。
2.根据权利要求1所述的基于长短时记忆网络的锂电池组剩余电量实时预测方法，其特征在于，所述步骤S2初始化长短时记忆网络的具体过程如下：
步骤S21：根据步骤S1中采集到的数据，将锂电池包中t-2、t-1、t时刻每个电池单体的电流、单体电压以及温度组成RGB图片形式，并将其作为输入数据；
步骤S22：将数据集中t-1、t、t+1时刻的每个电池对应的SOC值数据作为长短时记忆网络的输出数据；
步骤S23：对长短时记忆网络进行初始化，根据输入、输出矩阵确定最优的时间步；
步骤S24：根据输入、输出矩阵确定最优的训练批次；
步骤S25：初始化输入层、输出层权重、偏置。
3.根据权利要求1所述的基于长短时记忆网络的锂电池组剩余电量实时预测方法，其特征在于，所述步骤S3中的归一化处理，具体公式如下：
上式中，表示归一化处理后的数据，xi表示实际输入的历史充放电数据或者SOC数据，为自然数，i表示序号，xmax表示所在数据序列中的最大值，xmin表示所在数据序列中的最小值。
4.根据权利要求1所述的基于长短时记忆网络的锂电池组剩余电量实时预测方法，其特征在于，所述步骤S4中对建立的长短时记忆网络进行训练的过程如下：
步骤S41：建立长短时记忆网络的输入层；锂电池包中每个电池单体的U(1,1)...U(i,j)、I(1,1)...I(i,j)、T(1,1)...T(i,j)构成三层节点矩阵，将t-2、t-1、t时刻的节点矩阵全部表示为输入层的节点；
步骤S42、得到t-1时刻细胞值状态；输入t-2时刻的矩阵xt-2，通过隐藏层C，网络输出t-1时刻细胞值状态与t-1时刻输出值ht-1；
步骤S43、遗忘门决定丢弃信息；读取ht-1和xt-1，输出一个在0到1之间的数值ft给每个在细胞状态Ct-1中的数字；1表示“完全保留”，0表示“完全舍弃”；其中ht-1表示上一个细胞的输出，xt-1表示当前细胞的输入；
步骤S44、输入门确定更新的信息，用于控制加入到细胞状态的新的信息数量；主要包括sigmod层和tanh层，sigmod层用于更新it-1；tanh层用来生成新的候选信息向量且更新到细胞状态中；
其计算公式表示如下：
it＝σ(Wi·[ht-1,xt-1]+bi)
式中，δ代表sigmod激活函数，tanh代表tanh激活函数，it表示细胞状态更新的程度，Wi与WC代表网络权重，bi与bC代表网络偏置，W与b都需要通过训练得到；
步骤S45、更新细胞状态，将Ct-1更新为Ct，得到新的候选值，根据决定更新每个状态的程度进行变化；其计算公式表示如下：
式中，ft表示细胞状态丢弃的程度；
步骤S46、输出门确定细胞状态的输出信息；
首先运用一个sigmod层来确定细胞状态的哪个部分将输出出去，其计算公式表示如下：
ot＝σ(Wo[ht-1,xt-1]+bo)
式中ot表示细胞状态输出的部分，Wo与bo表示网络权重与偏置；
接着把细胞状态通过tanh进行处理，得到一个在-1与1之间的值，并将它和sigmod门的输出相乘，最终会输出确定输出的那一部分：
ht＝ot*tanh(Ct)
式中，ht表示t时刻的输出值；
步骤S47、更新训练轮数；判断训练轮数是否达到设定数值，如果没有达到，则进人下一轮训练，继续修改神经网络权重，直到完成训练轮数；
步骤S48、将t-1、t、t+1时刻锂电池包中每个电池单体对应的SOC数值作为输出层的节点。
CN201910502858.0A 2019-06-11 2019-06-11 一种基于长短时记忆网络的锂电池组剩余电量实时预测方法 Pending CN110133511A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910502858.0A CN110133511A (zh) 2019-06-11 2019-06-11 一种基于长短时记忆网络的锂电池组剩余电量实时预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910502858.0A CN110133511A (zh) 2019-06-11 2019-06-11 一种基于长短时记忆网络的锂电池组剩余电量实时预测方法

Publications (1)

Publication Number Publication Date
CN110133511A true CN110133511A (zh) 2019-08-16

Family

ID=67580964

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910502858.0A Pending CN110133511A (zh) 2019-06-11 2019-06-11 一种基于长短时记忆网络的锂电池组剩余电量实时预测方法

Country Status (1)

Country Link
CN (1) CN110133511A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111308375A (zh) * 2020-02-04 2020-06-19 浙江大学 一种基于lstm-ffnn的电动叉车锂离子电池健康状态预测方法
CN111999648A (zh) * 2020-08-20 2020-11-27 浙江工业大学 一种基于长短期记忆网络的锂电池剩余寿命预测方法
CN113505926A (zh) * 2021-07-14 2021-10-15 同济大学 一种基于阻抗预测模型自更新的燃料电池故障预测方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20130053059A (ko) * 2011-11-14 2013-05-23 삼성전자주식회사 아몰레드 디스플레이를 포함하는 휴대단말기의 배터리 게이징 방법 및 장치
CN108334940A (zh) * 2018-03-01 2018-07-27 大连道道科技有限公司 一种基于深度神经网络的锂电池包多个电池单体soc实时联合预测方法
CN108519556A (zh) * 2018-04-13 2018-09-11 重庆邮电大学 一种基于循环神经网络的锂离子电池soc预测方法
CN109143105A (zh) * 2018-09-05 2019-01-04 上海海事大学 一种电动汽车锂离子电池的荷电状态计算方法
CN109459699A (zh) * 2018-12-25 2019-03-12 北京理工大学 一种锂离子动力电池soc实时监测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20130053059A (ko) * 2011-11-14 2013-05-23 삼성전자주식회사 아몰레드 디스플레이를 포함하는 휴대단말기의 배터리 게이징 방법 및 장치
CN108334940A (zh) * 2018-03-01 2018-07-27 大连道道科技有限公司 一种基于深度神经网络的锂电池包多个电池单体soc实时联合预测方法
CN108519556A (zh) * 2018-04-13 2018-09-11 重庆邮电大学 一种基于循环神经网络的锂离子电池soc预测方法
CN109143105A (zh) * 2018-09-05 2019-01-04 上海海事大学 一种电动汽车锂离子电池的荷电状态计算方法
CN109459699A (zh) * 2018-12-25 2019-03-12 北京理工大学 一种锂离子动力电池soc实时监测方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111308375A (zh) * 2020-02-04 2020-06-19 浙江大学 一种基于lstm-ffnn的电动叉车锂离子电池健康状态预测方法
CN111999648A (zh) * 2020-08-20 2020-11-27 浙江工业大学 一种基于长短期记忆网络的锂电池剩余寿命预测方法
CN113505926A (zh) * 2021-07-14 2021-10-15 同济大学 一种基于阻抗预测模型自更新的燃料电池故障预测方法
CN113505926B (zh) * 2021-07-14 2022-10-25 同济大学 一种基于阻抗预测模型自更新的燃料电池故障预测方法

Similar Documents

Publication Publication Date Title
CN112287463B (zh) 一种基于深度强化学习算法的燃料电池汽车能量管理方法
CN110133511A (zh) 一种基于长短时记忆网络的锂电池组剩余电量实时预测方法
CN110525269B (zh) Soc的电池组均衡控制方法
Xu et al. A soft actor-critic-based energy management strategy for electric vehicles with hybrid energy storage systems
CN112540298B (zh) 一种基于深度-迁移学习的锂离子电池soc估计方法
CN108226809A (zh) 一种多模型并用的电池soc估算方法
CN108334940A (zh) 一种基于深度神经网络的锂电池包多个电池单体soc实时联合预测方法
CN107741568A (zh) 一种基于状态转移优化rbf神经网络的锂电池soc估算方法
CN114997935B (zh) 一种基于内点策略优化的电动汽车充放电策略优化方法
AU2021100373A4 (en) A Battery Pack SOH Estimation Method Based on LSTM Neural Network
CN111458646A (zh) 一种基于pso-rbf神经网络的锂电池soc估算方法
CN113572157A (zh) 一种基于近端策略优化的用户实时自治能量管理优化方法
CN108573322A (zh) 一种基于多车型共享换电站动态负荷预测方法
CN112163372B (zh) 一种动力电池的soc估算方法
CN114636932A (zh) 一种电池剩余使用寿命预测方法及***
WO2019006995A1 (zh) 一种电动汽车动力电池soc智能化预测***
CN113815437B (zh) 燃料电池混合动力汽车的预测性能量管理方法
CN112097783B (zh) 基于深度强化学习的电动出租车充电导航路径规划方法
CN115107733A (zh) 一种混合动力汽车的能量管理方法及***
CN115230485A (zh) 基于短期功率平滑预测的燃料电池公交车能量管理方法
CN117031310A (zh) 一种电动汽车动力电池剩余使用寿命预测方法
Zhang et al. Uncertainty-Aware Energy Management Strategy for Hybrid Electric Vehicle Using Hybrid Deep Learning Method
CN114880939A (zh) 一种动力电池寿命的智能预测方法及装置
CN114117910A (zh) 一种基于分层深度强化学习的电动汽车充电引导策略方法
CN114619907B (zh) 基于分布式深度强化学习的协调充电方法及协调充电***

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20190816